インストール
bun add -g omo-aiOmO はすべての機能を 1 つの omo コマンドにまとめています。基本的な使い方は mass ulw と入力することで、タスク全体が並列に進むエージェントのグラフになります。公式が説明する成果物には、1 万を超えるソースを横断するリサーチ、人が実際に理解できるプレゼン資料（deck）、バックエンド、フロントエンド、コードが含まれます。
誰に向いているか
- 大きめのタスクを丸ごとエージェントに任せたい人：公式の例には、数千のソースを横断する深いリサーチ、機械学習パイプライン一式、誰もやりたがらない移行、バックエンド・フロントエンド・コード開発が挙げられています。
- Claude、ChatGPT、Kimi、GLM のいずれかを購読しているユーザー：公式文書は
/loginがこの 4 つのサブスクリプションをカバーすると明記しています。他のサブスクリプションや API での接続に対応するかは公式には未記載です。 - ターミナルでの作業に慣れており、タスクが複数の並列エージェントに分割されて実行されることを受け入れられる人。
- グローバルとプロジェクト単位の両方の設定を使い分けたい人：設定は
~/.omo/omo.jsoncに書き、プロジェクトには.omo/omo.jsoncを追加でき、近い方のファイルが優先されます。
不向きなケース、または事前確認が必要なケース：
- npm パッケージ名は
omoだと思っているユーザーは注意：公式は、npm にあるomoパッケージは別人の無関係なパッケージであり、OmO のパッケージ名はomo-aiだと明言しています。 - omo がローカルファイルを読み書きするか、ローカルコマンドを実行するかを事前に確認したいユーザー：公式ドキュメントにはこれらの動作は記載されておらず、結論を出せません。
- 対応する入出力言語の範囲は公式に未記載です。どの言語のタスクでもサポートされると想定しないでください。
3 分で最初の試行を完了する
推奨されるメイン経路：公式パッケージ omo-ai を bun でグローバルインストールします。インストール後は omo コマンドが使えます。
bun add -g omo-ai
- 前提：マシンに bun がインストールされていること（bun がなければ npm を使用できます。次のステップを参照）、および Claude、ChatGPT、Kimi、GLM のいずれかのサブスクリプションアカウントを用意していること。
- 上記のコマンドを実行してインストールします。npm ユーザー向けの同等コマンドは
npm i -g omo-aiで、これも公式の原文に記載された方法です。改めて注意：パッケージ名はomo-aiで、インストール後に得られるのはどちらも同じomoコマンドです。 - サインイン：
/loginを実行します。公式文書は、これが Claude、ChatGPT、Kimi、GLM のサブスクリプションをカバーすると明記しています。 - 低リスクなタスクを開始する：
mass ulwに続けてリサーチ形式の質問を入力します。たとえば、あるトピックの公開資料を複数のソースから整理させる、といった具合です。公式の説明では、このキーワードはタスク全体をエージェントのグラフに変えます。各部分は適したモデルで実行され、並列に進み、完了と呼ばれる前に検査を受けます。 - 成功のサインを観察する：公式の説明では、タスクは複数の並列エージェントに分解され、各部分は完了時に個別に検査され、最終的に成果物へと集約されます。各部分が並列に進み、検査済みの集約結果が得られれば、公式が説明する完了の形に合致します。
補足：公式は別途インストールスクリプトも提供しています。OS と CPU に合ったネイティブの omo バイナリを ~/.local/bin に配置し、リリースのチェックサムと照合して検証し、ミラーに到達できない場合は GitHub Releases にフォールバックします。本記事ではこのスクリプトのコマンドは取り上げていないため、リポジトリの README を基準にしてください。最初の試行はリサーチ・分析系のタスクがおすすめです。omo がローカルファイルを変更するかは公式に明記されていないため、エンジニアリング系のタスクはまず制御できる環境で確認してください。
使用例
ケース 1：複数ソースにまたがる深い調査。
- シナリオ：技術選定や業界判断のために大量の資料を収集・統合する。たとえば複数の候補案についての公開資料や評価を比較する。
- 開始：
omoでmass ulwに続いてリサーチの質問を入力します。 - ワークフロー：公式はこれを deep research over thousands of sources と呼んでいます。タスクはエージェントのグラフに分割され、数千のソースを深く掘り下げ、各部分が並列に実行され、検査されます。
- 期待できる結果：部分ごとに検査されたうえで集約されたリサーチ成果物で、その後の判断のたたき台として使えます。成果物がターミナルに出るのかファイルになるのかは公式に未記載で、実際の実行によります。
ケース 2：仕事をプレゼン資料に変える、またはエンジニアリングタスクを引き受ける。
- シナリオ：「人が実際に理解できる」プレゼン資料が必要、または機械学習パイプライン一式、誰もやりたがらない移行、フロントエンドとバックエンドのコードが必要。
- 開始：同じく
mass ulwにタスクの説明を付けて開始します。 - ワークフロー：タスクは並列エージェントに分割され、各部分は適したモデルを使い、完了時に検査を受けます。
- 結果と確認ポイント：公式は、各部分は完了としてマークされる前に検査されると説明しています。ただし、コードの生成や変更の前に確認を求めるか、変更がどこに書き込まれるかは公式に未記載です。小さなプロジェクトやコピーで検証してから、正式なエンジニアリングに使用してください。
利用上の境界
- ファイルとコマンドへのアクセス：公式ドキュメントは、omo がローカルファイルを読み書きするか、ローカルコマンドを実行するか、確認プロンプトがあるかを記載していません。公式の説明によれば、リサーチ系のタスクは大量の外部ソースにアクセスします。
- 副作用と確認ポイント：
mass ulwはタスクを複数の並列エージェントに分割します。「完了前の検査」の具体的なルールの詳細は公開されておらず、そこから安全性の保証を推測することはできません。 - 実行環境とクライアント：OmO は senpi（pi のフォーク）上で動作します。サインインは
/loginに依存し、公式が挙げているのは Claude、ChatGPT、Kimi、GLM の 4 つのサブスクリプションで、他の経路に対応するかは未記載です。設定は~/.omo/omo.jsoncに書かれ、プロジェクトは.omo/omo.jsoncを追加でき、近い方のファイルが優先されます。 - 公式の明示的な制限：npm にある
omoという名前のパッケージは本プロジェクトと無関係です。必ずomo-aiを使用してください。 - まだ確認できていない重要情報：対応 OS の一覧、設定項目の全容、成果物の保存先、言語サポートの範囲、利用量と課金のルールは、いずれも公式リポジトリを基準にしてください。